La clasificación de vehículos es una parte importante del transporte inteligente. Gracias al desarrollo del aprendizaje profundo, se puede lograr una mejor clasificación de vehículos en comparación con los métodos tradicionales. Los modelos de redes profundas contemporáneos tienen una gran escala computacional y requieren un gran número de parámetros. Las redes neuronales convolucionales binarizadas (CNN) pueden reducir de manera efectiva el tamaño computacional del modelo y el número de parámetros. La mayoría de las redes ligeras contemporáneas se binarizan directamente en un modelo de precisión completa, lo que conlleva deficiencias como la falta de coincidencia de gradientes o una degradación seria de la precisión. Para abordar los defectos inherentes de las redes binarizadas, en este trabajo ajustamos y mejoramos los bloques residuales y proponemos un nuevo método de agrupación, llamado agrupación máxima de valor absoluto (Abs-MaxPooling). La entropía de la información después de la cuantificación binaria de los pesos se utiliza para proponer un método de cuantificación binaria de distribución de pesos. Se construye un modelo de clasificación de vehículos basado en CNN binarizado, y los pesos y los valores de activación del modelo se cuantifican a 1 bit, lo que ahorra espacio de almacenamiento de datos y mejora la precisión de la clasificación. El modelo binarizado propuesto funciona bien en el conjunto de datos BIT-Vehicle y supera a algunos modelos de precisión completa.